🤖 INGÉNIEUR MACHINE LEARNING / DEEP LEARNING (H/F)

L'Ingénieur Machine Learning / Deep Learning industrialise l'intelligence artificielle : il transforme des modèles expérimentaux en systèmes fiables, scalables et monitorés en production. À la croisée du software engineering et de la data science, c'est l'un des profils les plus recherchés du marché.

🎯 Missions

• Industrialiser l'entraînement et le déploiement des modèles (ML classique, deep learning, LLM).
• Construire les pipelines MLOps : CI/CD, versioning des modèles et des données, monitoring de dérive.
• Optimiser l'inférence : latence, coûts, GPU, quantization, serving haute performance.
• Fine-tuner et évaluer des LLM ; construire des systèmes RAG robustes.
• Collaborer avec Data Scientists, Data Engineers et équipes produit.

🛠️ Compétences & stack 2026

• Langages : Python (expert), et souvent Go/Rust/C++ pour l'optimisation.
• Frameworks : PyTorch (dominant), Hugging Face, JAX.
• MLOps : MLflow, Kubeflow, Weights & Biases, Airflow.
• Serving & GenAI : vLLM, Triton, TensorRT, vector databases, frameworks d'agents.
• Infra : Docker, Kubernetes, GPU cloud (AWS SageMaker, GCP Vertex AI, Azure ML).

💰 Salaires 2026 (constatés en France)

• Junior : 48 – 58 k€
• Confirmé : 58 – 80 k€
• Senior / Lead : 80 – 120 k€ et + (packages supérieurs dans les scale-ups IA)
• Freelance : TJM 650 – 1 100 €.

🔍 À ne pas confondre avec

Le Data Scientist (exploration et modélisation) et l'AI Engineer (applications LLM) : le ML Engineer est le spécialiste de l'infrastructure et de la production des modèles.

❓ Questions fréquentes

Deep learning ou ML classique ? Les deux coexistent : le ML classique (XGBoost, scikit-learn) reste majoritaire sur les données tabulaires ; le deep learning domine texte, image, audio et LLM.

Quel est le prérequis n°1 ? Être un excellent ingénieur logiciel : le ML en production, c'est 80 % d'engineering.

📈 Évolutions

Staff ML Engineer, ML Architect, Head of ML/AI, CTO IA.